任务卸载算法

18392955059

2.4.1任务卸载算法

任务卸载是指当用户终端不能满足其所生产的任务的计算需求时，又或者是为了降低用户终端的负载，以及减少所有任务的完成时间，将部分或者全部计算任务交由云计算和边缘计算等计算资源处理的一种计算方式。影响计算任务卸载过程的因素有很多，如本地设备的电池容量、计算能力、边缘服务器的数量、网络信道的拥塞情况等。

Yan Y等[47综合考虑了任务卸载过程中的各项影响因子，提出了一种基于深度强化学习的任务卸载与负载均衡联合优化算法，从而使得所有任务的计算时间最短。该方案不仅考虑了任务在不同服务器上的处理时间，还考虑了任务的传输时间对实验结果的影响。相较于传统算法，该方案能够明显提高各个服务器的利用率，同时还能够使得任务的计算时间与系统的能量消耗达到一种平衡。柳佳等[48在云边聚合计算环境中将任务的卸载问题规划成一个求平均计算时间最小化的多约束优化问题，并且提出了一个由事件驱动的在线任务卸载算法，同时证明该算法的非确定性多项式困难特性（Non-deterministic Polynomial hard, NP-hard），当任务满足其最大时延约束时，该算法与在线相关任务卸载算法和依赖感知的调度算法相比，能够使得任务的平均计算时间最小。Hossain M D等[49提出了一种云边聚合任务卸载框架，并基于该框架提出了两种协同任务卸载方案。其中一种方案通过用户终端与边缘服务器之间的协作来减少任务的失败次数，另一种方案通过边缘服务器与云服务器的协作来减少任务的计算时间。虽然所提方法能够明显降低任务的超时率与计算时间，但是编辑没有考虑到当任务从边缘服务器上传至云服务器所造成的额外的能量消耗。Hekmati A等[50根据任务在不同部分的上传情况，提出一种基于马尔可夫停止理论的在线能量优化计算方法。该方案能够使得在任务不超过最大容忍时延的条件下，最小化系统的能耗，但是没有考虑任务数量与信道阈值对上传时间的影响。张磊等[51提出的联合优化策略不仅考虑了任务卸载位置对各项时延的影响，还考虑了环境中资源情况等其它约束条件，从而实现最小化任务的平均加权计算时间以及系统中服务器的总能耗这一目标。为了在多项式时间内对上述问题进行求解，编辑在单一决策方案下分别使用黄金分割法与拉格朗日乘子法来获取资源分配的最佳方案，之后在此基础上求解任务的最优卸载位置。该方案通过在多项式时间内进行多次优化，使得该算法的实验结果无限接近于穷举法得到的结果。秦敏等[52设计了一种新的任务卸载框架模型，将任务卸载优化问题进行分解与转化，并提出了一种基于交替凸搜索的任务卸载算法。该方案不仅能够降低移动边缘计算场景中任务的计算时间与系统的能量消耗，而且还具有较低的时间复杂度，缺点是采用数值仿真进行实验，没有考虑到场景中其它因素对实验结果的干扰。杨晓彤[53为了使得多用户场景下移动边缘计算系统中的能耗最小，将原始的任务卸载问题规划成数学中的凸问题，并通过改善边界的分支定界方法来求解该问题。该方法的实验结果虽然相较于本地计算方法、随机卸载联合资源分配方法以及贪心算法略优，但是其采用MATLAB进行仿真，实验结果较为理想化。Jeon Y等[54在边缘计算环境中让本地设备根据自身的位置自动寻找边缘服务器，同时统计接收节点与发送节点间的接触时间，当接触时间较长时才去考虑设备的移动性，并选取响应时间小的服务器进行卸载。该方案与不考虑设备移动性的方法相比在减少任务计算时间方面具有很大的优势。Kim K等[55考虑到用户终端性能对任务计算时间的影响，将计算任务拆分成多个子任务卸载到多个边缘服务器中并行处理，并提出一种基于机器学习的任务卸载方法。该方法中设计了一个监控模块，同时采用线性回归方法预测所有任务在当前卸载方案下的总的计算时间，最后采用表现最优的方案为最终卸载决策。该方案的缺点是采用的对比实验较为简单，缺乏一定的说服力。